鄧 科，李 挺，蔡 昂，金 石，王 匯

（1.國網(wǎng)湖北省電力公司檢修公司，武漢 430050；2.國網(wǎng)湖北省電力公司，武漢 430077）

0 引言

伴隨著電力產(chǎn)業(yè)的不斷發(fā)展，電網(wǎng)系統(tǒng)數(shù)據(jù)量大幅增加，數(shù)據(jù)的沉積和堆疊對現(xiàn)有電網(wǎng)數(shù)據(jù)負載均衡系統(tǒng)提出了更高的要求[1]。Hopfield神經(jīng)網(wǎng)絡(luò)作為一種遞歸神經(jīng)網(wǎng)絡(luò)，能夠?qū)崿F(xiàn)對局部的極小收斂，可以應(yīng)用于電力系統(tǒng)數(shù)據(jù)的負載均衡，實現(xiàn)電力網(wǎng)絡(luò)的更新和穩(wěn)定[2]。在目前的變電站電力自動化系統(tǒng)中，服務(wù)器均為類Unix系統(tǒng)[3～6]，服務(wù)器設(shè)備通過網(wǎng)絡(luò)交換機進行數(shù)據(jù)交換，并且通過圖形網(wǎng)關(guān)機管理網(wǎng)絡(luò)中所有模塊的服務(wù)器[7,8]。本文提出一種基于Hopfield神經(jīng)網(wǎng)絡(luò)的變電站網(wǎng)絡(luò)負載分配算法，用于變電站的網(wǎng)絡(luò)服務(wù)器當(dāng)中，同時采集服務(wù)器的硬件和軟件信息[9,10]，提出一種基于快速傅立葉變換、多元線性回歸和學(xué)習(xí)算法的監(jiān)測算法，維持電力網(wǎng)絡(luò)的穩(wěn)定。

1 Hop field神經(jīng)網(wǎng)絡(luò)

1.1 Hop field算法

Hopfield神經(jīng)網(wǎng)絡(luò)是典型的循環(huán)神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了所有環(huán)節(jié)的輸出輸入反饋，單個神經(jīng)元與其他神經(jīng)元實現(xiàn)完全的相互連接。可以利用Hopfield能量函數(shù)分析來顯示網(wǎng)絡(luò)的穩(wěn)定性。

將神經(jīng)網(wǎng)絡(luò)中的Nc作為Hopfield類型的反饋重復(fù)網(wǎng)絡(luò)，Hopfield神經(jīng)網(wǎng)絡(luò)使用客戶端的異步狀態(tài)變化。利用C1，C2，…，Cn作為客戶機的狀態(tài)和，作為通信鏈路的連接強度。網(wǎng)絡(luò)的穩(wěn)定狀態(tài)為：

圖1 Hop field算法變換示意圖

在將Hopfield能量函數(shù)與Nc的每個輸出狀態(tài)相關(guān)聯(lián)時，在Nc的任何狀態(tài)處的客戶機的能量可以被表示為：

1.2 Hop field神經(jīng)網(wǎng)絡(luò)狀態(tài)

網(wǎng)絡(luò)的突觸動力學(xué)將修改連接強度以反映網(wǎng)絡(luò)中的變化，如下所示：

由于權(quán)重變化和其他節(jié)點的狀態(tài)，任何節(jié)點i的新狀態(tài)可以表示為：

考慮由于節(jié)點k的更新，在某個瞬間的Nc中狀態(tài)的變化。在改變和重量改變之前和之后的能量表達可以寫為：

所以有：

整個網(wǎng)絡(luò)中的節(jié)點將按照上面討論的策略更新它們的狀態(tài)。在節(jié)點的狀態(tài)發(fā)生變化之前，節(jié)點的更新過程將繼續(xù)進行，即：

2 變電站數(shù)據(jù)負載

2.1 網(wǎng)絡(luò)負載數(shù)據(jù)

Hopfield能量函數(shù)將用于分析隨機選擇的、狀態(tài)改變的客戶機及服務(wù)器。變電站數(shù)據(jù)包含：電壓V、電流I、功率P（包括有功功率、無功功率），功率因數(shù)t，電能計量讀數(shù)O，此外還包含各類設(shè)備的運行參數(shù)， 如變壓器的溫度、油位等，氣體絕緣設(shè)備的壓力值（密度）， 避雷器泄露電流i、動作次數(shù)n，斷路器的跳閘報告、測距報告、動作次數(shù)等等數(shù)據(jù)。

服務(wù)器與每個客戶端連接，而所有客戶端在完全連接模式下相互連接?？蛻舳酥g的連接優(yōu)勢是對稱的，而客戶端和服務(wù)器之間的連接是不對稱的。將客戶網(wǎng)絡(luò)解釋為全連通Hopfield神經(jīng)網(wǎng)絡(luò)。本設(shè)計中，可以將電力設(shè)備N個客戶端和一個服務(wù)器組成的客戶端服務(wù)器組成一個網(wǎng)絡(luò)拓撲結(jié)構(gòu)。節(jié)點總數(shù)為N+1，網(wǎng)絡(luò)中的節(jié)點完全連通?？蛻糁g的通信可以看作是整個網(wǎng)絡(luò)的一個子網(wǎng)絡(luò)，即：NC?N。節(jié)點wi和wj的通信鏈路或連接定義為：。f為系統(tǒng)的傳遞函數(shù)；Ot為系統(tǒng)的輸出。

2.2 電力網(wǎng)絡(luò)數(shù)據(jù)拓撲化

變電站數(shù)據(jù)交換較為龐大，涉及到SCADA、WEB、網(wǎng)絡(luò)交換機、維護模塊、通信站、路由器以及調(diào)度站等模塊[11]。每一個模塊涉及的數(shù)據(jù)量都很大、數(shù)據(jù)類型眾多、信息交換頻率高，而且還存在著數(shù)據(jù)傳輸?shù)耐胶彤惒浆F(xiàn)象[12]。

本設(shè)計中，將變電站數(shù)據(jù)負載均衡系統(tǒng)設(shè)計為分布式數(shù)據(jù)交換系統(tǒng)，如圖2所示為服務(wù)器與客戶端之間的拓撲關(guān)系圖。其中維護、通信站、路由器、調(diào)度站等均為電力網(wǎng)絡(luò)負載，而服務(wù)器與各負載之間是分布式數(shù)據(jù)傳輸。

圖2 服務(wù)器S和客戶端C之間的全連接拓撲

3 基于Hop field神經(jīng)網(wǎng)絡(luò)的負載均衡系統(tǒng)

3.1 網(wǎng)絡(luò)數(shù)據(jù)更新

客戶端采集的數(shù)據(jù)為變電站實際運行中涉及到的各類數(shù)據(jù)（電壓V、電力I、功率P等數(shù)據(jù)），各類數(shù)據(jù)經(jīng)過拓撲處理后形成客戶端負載。本文設(shè)計的神經(jīng)網(wǎng)絡(luò)中，F(xiàn)1可如下式表示：

所以，第k個客戶端的狀態(tài)更新規(guī)則如下：

可以看出，第k個客戶端狀態(tài)變化時選用任意可能和實例，都得出F1＜0。

3.2 服務(wù)器數(shù)據(jù)穩(wěn)定性協(xié)調(diào)

網(wǎng)絡(luò)的大小并不影響網(wǎng)絡(luò)的穩(wěn)定性和最小能量狀態(tài)，因為在網(wǎng)絡(luò)的不同大小下，得到了相同的最小能態(tài)[13]。系統(tǒng)的最小能態(tài)近似于客戶端網(wǎng)絡(luò)的最小能態(tài)。一旦獲得了客戶網(wǎng)絡(luò)的穩(wěn)定性值，由于服務(wù)器的功能所引起的擾動是可調(diào)的，網(wǎng)絡(luò)獲得了穩(wěn)定的狀態(tài)，但是平衡區(qū)域保持不變[14,15]。隨著網(wǎng)絡(luò)規(guī)模的增大，各種網(wǎng)絡(luò)大小的回歸線也得到了相應(yīng)的穩(wěn)定性。

服務(wù)器S的狀態(tài)更新規(guī)則：

可以看出F2并不總是小于零，但是服務(wù)器S在更新時候，F(xiàn)2并不存在大于0的情況的。

F3和F2基本相同，就是服務(wù)器的更新順序有點小變化。

F3與F2的條件是相同的，所以服務(wù)器S在更新時候，F(xiàn)3并不存在大于0的情況的。所以，服務(wù)器狀態(tài)數(shù)據(jù)的更新是穩(wěn)定的。

3.3 自學(xué)習(xí)負載分配

自學(xué)習(xí)負載分配，標(biāo)記為F4：

服務(wù)器S狀態(tài)和任何客戶端k的更新規(guī)則可視為：

可以看出當(dāng)Ck(t)=Ck(t+1)時，F(xiàn)4＜0。

可以看出當(dāng)Ck(t)Ck(t+1)＞1時，F(xiàn)4＜0。

從ΔE公式中可知，對于F1、F2、F3、F4、F5的值，能量的變化小于等于零。因此可以從ΔE公式中監(jiān)測ΔE＜0。那么，F(xiàn)1到F5的值大于0，這最壞情況的ΔE可以表示為：

因此，在這種狀態(tài)變化的規(guī)則中，對于能量情況都有ΔE＜0。且當(dāng)選擇客戶機或服務(wù)器進行修改時，能量總是減少。由于客戶端或服務(wù)器的擾動，網(wǎng)絡(luò)均衡狀態(tài)下的最終最優(yōu)連接強度反映了客戶端與服務(wù)器端之間負載的最優(yōu)分布。因此，網(wǎng)絡(luò)將節(jié)點之間的負載均衡為穩(wěn)定。這意味著網(wǎng)絡(luò)中最優(yōu)負荷分布可以對不同節(jié)點的噪聲和畸變具有容忍度。

3.4 Hop field能量均衡

確定了Hopfield神經(jīng)網(wǎng)絡(luò)的反饋方式，只要根據(jù)反饋獲得的最新數(shù)據(jù)，對訓(xùn)練數(shù)據(jù)集更新之后，在進行自學(xué)習(xí)的負載分配算法，并且負載分配系統(tǒng)對客戶端狀態(tài)更新和服務(wù)器狀態(tài)更新進行集成。為了使得電網(wǎng)系統(tǒng)穩(wěn)定的運作，監(jiān)測系統(tǒng)時刻控制電網(wǎng)客戶端與服務(wù)器之間的能量差異值應(yīng)當(dāng)最小，理想為小于0，即ΔE＜0。那么則需要F1，F(xiàn)2，F(xiàn)3，F(xiàn)4，F(xiàn)5都小于0。對異步網(wǎng)絡(luò)數(shù)控狀態(tài)是變化的，對于整個網(wǎng)絡(luò)節(jié)點N將更新他們的狀態(tài)，一個是服務(wù)器，另一個是各類電力負載節(jié)點，能量的變化則是：

4 系統(tǒng)測試

4.1 測試環(huán)境構(gòu)建

本實驗的測試環(huán)境為電力系統(tǒng)常用的Unix操作系統(tǒng)，數(shù)據(jù)使用MATLAB軟件進行處理。為了確定客戶端服務(wù)器網(wǎng)絡(luò)的最優(yōu)負荷分布，并建立網(wǎng)絡(luò)的穩(wěn)定性判據(jù)。實驗中確定了在節(jié)點中對攝動的托架極限。整個網(wǎng)絡(luò)的穩(wěn)定性分析分兩階段進行。在第一階段，建立了客戶網(wǎng)絡(luò)的穩(wěn)定性，并在引入服務(wù)器后的第二階段對整個網(wǎng)絡(luò)的穩(wěn)定性進行了研究。神經(jīng)網(wǎng)絡(luò)架構(gòu)隨著客戶機節(jié)點的數(shù)量而變化。

客戶端和服務(wù)器節(jié)點表示為具有雙相狀態(tài)輸出的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的處理單元。神經(jīng)網(wǎng)絡(luò)中的連接強度被隨機賦值，并保持每個單元的閾值為零。節(jié)點被初始化為-1或1。采用Hebbian學(xué)習(xí)方法進行連接強度修正。在隨機生成的狀態(tài)下，每個網(wǎng)絡(luò)都進行了5次試驗。對每個試驗的能量最小值進行了檢驗，并使用結(jié)果來確定網(wǎng)絡(luò)的最終狀態(tài)。

4.2 測試結(jié)果

由服務(wù)器S和4個客戶機組成的客戶端服務(wù)器網(wǎng)絡(luò)，即C1、C2、C3、C4，所有客戶機都通過通信鏈接連接到系統(tǒng)。如果四個神經(jīng)元輸入場與第五個神經(jīng)元相連，則由四維空間中的向量輸入變換或映射到五維空間中第五個神經(jīng)元的信號向量。

確定了該網(wǎng)絡(luò)工作的穩(wěn)定性。最后確定了最小能態(tài)客戶網(wǎng)絡(luò)的最終連接強度。這些連接強度反映了客戶網(wǎng)絡(luò)中的負載分布，以保持網(wǎng)絡(luò)處于平衡狀態(tài)。在這個階段，服務(wù)器被激活，由于這個原因，整個網(wǎng)絡(luò)變得不穩(wěn)定。

本實驗測試了網(wǎng)絡(luò)對擾動的穩(wěn)定性和公差。通過使用Hopfield能量函數(shù)，成功地獲得了網(wǎng)絡(luò)的最小能量狀態(tài)。分析中使用的4種不同的網(wǎng)絡(luò)客戶端服務(wù)器組成，分別有4-1、5-1、8-1和12-1。每個測試網(wǎng)絡(luò)中客戶端網(wǎng)絡(luò)的平均能量為零?？蛻舳撕涂蛻舳司W(wǎng)絡(luò)之間的方差、協(xié)方差和相關(guān)性已經(jīng)計算出來，如表1所示。

可利用Hebbian規(guī)則對網(wǎng)絡(luò)的連接強度進行改進，從而將系統(tǒng)導(dǎo)向穩(wěn)定狀態(tài)。在每個網(wǎng)絡(luò)上進行測試（4-1，5-1，8-1和12-1個客戶機-服務(wù)器配置），以獲得與不同輸入探針對應(yīng)的能量，其中Hopfield神經(jīng)網(wǎng)絡(luò)表現(xiàn)了網(wǎng)絡(luò)穩(wěn)定性，如圖3服務(wù)器-客戶端負載數(shù)據(jù)關(guān)聯(lián)圖所示。

圖3 服務(wù)器-客戶端負載數(shù)據(jù)關(guān)聯(lián)圖

該算法的編碼如圖4所示已在MATLAB中完成。已經(jīng)測試了幾組網(wǎng)絡(luò)示例來檢查程序的效率。這些能量的平均值和標(biāo)準(zhǔn)差計算如圖5所示。

圖4 UNIX環(huán)境下的部分宏定義

如圖6所示，通過800組數(shù)據(jù)的測試，不難看出，訓(xùn)練200次之后的網(wǎng)絡(luò)負載平衡會有很大的干擾和不確定性。隨著測試的進行，數(shù)據(jù)集的增加，訓(xùn)練800次之后，網(wǎng)絡(luò)負載平衡度得到很大的提高，系統(tǒng)能夠準(zhǔn)確的分配出過多的負載，并且得到非常好的收斂性和平衡。

表1 網(wǎng)絡(luò)負載數(shù)據(jù)

圖5 網(wǎng)絡(luò)負載分析圖

圖6 訓(xùn)練200次和800次之后的網(wǎng)絡(luò)負載平衡圖

4.3 本設(shè)計存在的不足

本算法利用神經(jīng)網(wǎng)絡(luò)的反向傳播對客戶端-服務(wù)器網(wǎng)絡(luò)中的負載分布進行了研究，增加了網(wǎng)絡(luò)分配的合理性，保證服務(wù)器的安全，但是也存在一些問題：

1）在狀態(tài)不斷的更新下，數(shù)據(jù)集會越來越大，數(shù)據(jù)的處理能力會逐步下降，數(shù)據(jù)更新的實時性就降低；

2）本算法注重討論了對于服務(wù)器安全性能的保障。然而實際系統(tǒng)中還存在系統(tǒng)的持續(xù)性能等問題。

后續(xù)解決第一個問題可以從Hopfield算法函數(shù)構(gòu)建中進一步優(yōu)化，優(yōu)化的方向在于函數(shù)處理速度與大型數(shù)據(jù)處理穩(wěn)定性之間的協(xié)調(diào)。解決第二問題需依賴算法函數(shù)采樣擴展與算法函數(shù)的進一步穩(wěn)定。

5 結(jié)論

Hopfield能量函數(shù)分析已經(jīng)在人工神經(jīng)網(wǎng)絡(luò)問題上得到了廣泛的應(yīng)用。只要給定能量函數(shù)或問題的目標(biāo)函數(shù)，并給出相關(guān)變量和約束條件，就可以利用識別與函數(shù)中的各類常數(shù)項系數(shù)相對應(yīng)的權(quán)重建立反饋網(wǎng)絡(luò)。本文研究的變電站有一套專門的電力管理系統(tǒng)運行在雙網(wǎng)絡(luò)架構(gòu)設(shè)計的局域網(wǎng)上，將變電站電力管理系統(tǒng)的服務(wù)器和客戶端網(wǎng)絡(luò)設(shè)計為Hopfield型全連接網(wǎng)絡(luò)，則可以用Hopfield能量函數(shù)分析來定義網(wǎng)絡(luò)中的負載分布，并實現(xiàn)對變電站網(wǎng)絡(luò)負載的數(shù)據(jù)均衡。最終最優(yōu)值也反映了整個網(wǎng)絡(luò)中對應(yīng)的負載分布，以維持穩(wěn)定狀態(tài)景觀中的網(wǎng)絡(luò)，且負載分布上，網(wǎng)絡(luò)可以容忍小的擾動，并且可以擴展到多個服務(wù)器和多個客戶端。